AegisDx：安全導向的 AI 輔助診斷假演繹推理框架

研究團隊提出 AegisDx，這是一個針對假說演繹臨床推理設計的安全導向框架，旨在解決當前大型語言模型（LLM）系統將診斷視為單次預測任務，且缺乏對遺漏高風險替代方案防護或嚴謹驗證推理邏輯的問題。該框架透過角色特定合約協調專用 LLM 組件，並結合結構化中間輸出、證據檢索介面與驗證閘門，以生成廣泛的鑑別診斷、強制篩選危險的「不能遺漏」狀況、根據紮實的醫學證據驗證推理邏輯，並結構化可執行的後續步驟。

在文獻衍生的病例報告評估中，研究使用 GPT-oss-120B 作為共享後端，針對 JAMA 案例，AegisDx 的 Top-3 診斷準確率達到 59.9%，高於單獨 LLM 的 52.1%；針對 NEJM 案例，則達到 62.7% 對比 51.4%。在來自《Annals of Emergency Medicine》的案例中，AegisDx 的 Top-3 準確率為 85.7%，對比為 68.6%。此外，與醫師共識的「不能遺漏」診斷集相比，AegisDx 在其前三個診斷中至少包含一項該類條件的比例為 78.0%，顯著高於單獨 LLM 的 52.0%。

針對耶魯紐黑文醫療系統（Yale New Haven Health System）43 份真實世界急診室病歷的盲評測試，AegisDx 與 GPT-5 相比，在醫師評定的綜合安全分數上從 4.31 提升至 4.55（滿分 5 分，調整後 p 值為 2.1x10^-4），並在「不能遺漏」識別與推理安全性方面展現定性提升。研究結論指出，將診斷 AI 工程化為安全導向的推理框架，而非僅優化原始預測準確性，能為急診工作流程提供更安全、更透明且具有臨床意義的床邊決策支援層。